一文读懂pytorch软件开发基础语法

服务近2000家企业，依托一系列实践中打磨过的技术和产品，根据企业的具体业务问题和需求，针对性的提供各行业大数据解决方案。

一.定义张量tensor

张量,一种数据类型，可以是一到多维矩阵，在机器学习中作为主要输入输出数据类型使用

1.自定义数值的张量torch.tensor([[2.1,12.2,2.121],[2.1,12.2,2.121]],dtype=float)

2.张量ndim，shape ，size属性，ndim表示张量的维度，shape=size表示张量的形状

3.定义全1张量test2 = torch.ones(8,8)

4.定义全零张量test3 = torch.zeros(2,9)

5.定义随机张量test4 = torch.rand(1,20)

6.定义随机整型张量test5 = torch.randint(0,10,(2,3))

7.定义正态分布张量test6 = torch.randn(1,9)

二.张量的基本运算

1.改变张量（矩阵）的维度，修改前后矩阵元素总数不变test6 = test6.view(3,3)

2.获取tensor第n个元素

test6[1][1]：获取二维矩阵第1行第一列元素，

test6[1] 若是一维矩阵则使用获取第一个元素,

test[1:10]获取从索引1到10的所有元素

test[:10]获取10以前的所有数据

test[10:]获取索引10以后的所有数据

tensor_b[[1,2],[1,1]] 根据索引获取数据

3.test6[1].item()获取指定索引元素的值

4.pytorch张量和numpy数组之前的转化

numarr = numpy.array(test6) tensor转化为numpy 数组

tensor = torch.tensor(nparr) numpy数组转化为tensor张量

5.基本运算

加法运算： tensor_c = tensor_a+tensor_b ，将矩阵对应元素分别相加，

加法运算的另外两种不常用写法

res = torch.zeros(3,3,dtype=int)

torch.add(tensor_a,tensor_b,out=res) 计算结果存储在res变量中

tensor_c = torch.add(tensor_a,tensor_b)

减法运算： tensor_c = tensor_a+tensor_b ，将矩阵对应元素分别相减

除法运算：tensor_c = tensor_a/tensor_b,将矩阵对应元素分别相除

取余运算：tensor_c = tensor_a%tensor_b,对应元素相除取余数

乘法运算：tensor_c = tensor_a*tensor_b，非矩阵乘法，对应元素相乘

矩阵相乘：使用matmul函数tensor_c = torch.matmul(tensor_a,tensor_b)

对矩阵求和：tensor = torch.sum(tensor_c) 所有元素相加

求最大值最小值等：tensor = torch.max/min(tensor_c)

求最大值最小值所在的索引 index= torch.argmax(tensor_c) arg+max/min

求均值：tensor = torch.mean(tensor_b) tensor_b必须为float类型

获得矩阵中位数：tensor = torch.median(tensor_b)

开方：tensor = torch.sqrt(tensor_b)

幂运算：tensor = torch**3

三.自动求导

x = torch.tensor([6,3],dtype=float,requires_grad=True)

y=x**3+1

y.backward(torch.ones_like(x)) //若输出是标量则y.backward(）

x.grad

注：y=x³+1 求导：根据求导公式得出yd= x³`+1` =>yd = 3x²